CN107145694B - 基于rbf神经网络的连续旋转爆轰燃烧室增压比预测方法 - Google Patents
基于rbf神经网络的连续旋转爆轰燃烧室增压比预测方法 Download PDFInfo
- Publication number
- CN107145694B CN107145694B CN201710499787.4A CN201710499787A CN107145694B CN 107145694 B CN107145694 B CN 107145694B CN 201710499787 A CN201710499787 A CN 201710499787A CN 107145694 B CN107145694 B CN 107145694B
- Authority
- CN
- China
- Prior art keywords
- neural network
- data
- rbf neural
- training
- combustion chamber
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Combined Controls Of Internal Combustion Engines (AREA)
- Feedback Control In General (AREA)
- Fluidized-Bed Combustion And Resonant Combustion (AREA)
Abstract
本发明提供了一种基于RBF神经网络的连续旋转爆轰燃烧室增压比预测方法。该预测方法包括数据样本获取、输入与输出参数选择、RBF神经网络结构确定以及RBF神经网络训练和测试等步骤。其中,燃烧室的轴向尺寸、周向尺寸、入口燃料/氧化剂流量配比、氧化剂总温和总压选择为RBF神经网络的输入参数,燃烧室的增压比选择为RBF神经网络的输出参数。本发明的上述预测方法,无需确定上述输入参数和输出参数之间的具体数学关系,即可有效实现连续旋转爆轰燃烧室的增压比精确预测,对于连续旋转爆轰燃烧室性能预测、结构优化设计及其整机建模仿真具有一定的指导意义。
Description
技术领域
本发明涉及燃烧、燃气轮机与人工智能领域,尤其涉及一种基于RBF神经网络的连续旋转爆轰燃烧室增压比预测方法。
背景技术
随着全球能源危机的加剧和人类环境保护意识的提高,如何实现燃气轮机性能的大幅改善是目前航空、船舶与工业发电领域亟需解决的重要问题。相比现代燃气轮机所采用的等压燃烧而言,连续旋转爆轰燃烧具有一次点火、熵增小、自增压、排放低等诸多优势,已成为改善燃气轮机性能的最有效途径之一。
增压比是燃气轮机连续旋转爆轰燃烧室的重要参数之一,如何实现不同参数影响下的增压比精确预测是燃烧与燃气轮机关注的焦点。近年来,国内外围绕连续旋转爆轰燃烧室的增压性能开展了一系列数值模拟与实验研究工作,明确了连续旋转爆轰燃烧室增压比的影响因素。然而,目前尚没有能够有效预测连续旋转爆轰燃烧室的增压比的技术。
发明内容
在下文中给出了关于本发明的简要概述,以便提供关于本发明的某些方面的基本理解。应当理解,这个概述并不是关于本发明的穷举性概述。它并不是意图确定本发明的关键或重要部分,也不是意图限定本发明的范围。其目的仅仅是以简化的形式给出某些概念,以此作为稍后论述的更详细描述的前序。
鉴于此,本发明提供了一种基于RBF神经网络的连续旋转爆轰燃烧室增压比预测方法,以至少解决目前尚没有能够有效预测连续旋转爆轰燃烧室的增压比的技术的问题。
根据本发明的一个方面,提供了一种基于RBF神经网络的连续旋转爆轰燃烧室增压比预测方法,连续旋转爆轰燃烧室增压比预测方法包括:获取多组训练数据,每组训练数据包括燃烧室的轴向尺寸、周向尺寸以及该燃烧室入口燃料与氧化剂的流量配比、氧化剂总压、氧化剂总温和燃烧室的增压比;利用多组训练数据训练RBF神经网络,其中,针对每组训练数据,将该组中的燃烧室的轴向尺寸、周向尺寸以及该燃烧室入口燃料与氧化剂的流量配比、氧化剂总压和氧化剂总温作为RBF神经网络的5种输入参数,而将该组中的该燃烧室的增压比作为RBF神经网络的输出参数;获得至少一组测试数据,每组测试数据中包括待预测燃烧室的轴向尺寸、周向尺寸以及待预测燃烧室入口燃料与氧化剂的流量配比、氧化剂总压和氧化剂总温;针对至少一组测试数据中的每一组,利用经过训练的RBF神经网络获得该组测试数据对应的待预测燃烧室的增压比的预测值。
进一步地,多组训练数据由数值模拟或实验测量得到。
进一步地,该方法还包括:针对多组训练数据中的每一类数据,对该类数据进行如下预处理:根据x'=(x-xmin)/(xmax-xmin),对多组训练数据中的该类数据进行归一化处理,其中,x为该类数据的每个原始数据,x'为将x进行归一化处理之后的数据,xmax与xmin分别为该类数据的原始数据中的最大值与最小值。
进一步地,该方法还包括:对每组测试数据中的每个数据进行如下预处理:根据x测'=(x测-xmin)/(xmax-xmin)对该数据进行归一化处理,其中,x测为该数据在归一化处理前的值,而x测'为该数据在归一化处理后的值。
进一步地,多组训练数据与至少一组测试数据来自同一批获得的数据,其中,该同一批获得的数据中作为训练数据与测试数据的比例为8:2。
进一步地,RBF神经网络采用三层结构,该三层结构包括1个输入层、1个隐含层与1个输出层;其中,1个输入层的神经元数目为5个,1个输出层的神经元数目为1个,而1个隐含层的神经元数目在RBF神经网络训练过程中确定。
进一步地,在RBF神经网络的训练过程中:对RBF神经网络基本参数进行设置时,选择隐含层神经网络的激励函数为高斯函数,确定收敛目标值为0.0001;将归一化之后的训练数据中的5种输入参数输入到RBF神经网络中,隐含层神经元数目从m=0开始对RBF神经网络进行训练,通过检查RBF神经网络训练误差与收敛目标值之间的差距来确定增加隐含层神经元数目,循环一直到训练误差达到收敛目标值为止,此时的隐含层神经元数目即可确定,并得到RBF神经网络输入层与隐含层、以及隐含层与输出层之间的权值与阈值。
进一步地,该方法还包括:针对至少一组测试数据中的每一组,在获得该组测试数据对应的待预测燃烧室的增压比的预测值后,根据x”=xmin+x”'(xmax-xmin)对该预测值进行反归一化处理,其中,x”'为预测值,x”为对x”'进行反归一化后得到的反归一化数据。
本发明的基于RBF神经网络的连续旋转爆轰燃烧室增压比预测方法,通过已知连续旋转爆轰燃烧室的轴向尺寸、周向尺寸、入口燃料/氧化剂流量配比、氧化剂总温和总压,能够准确地预测出燃烧室的增压比。该方法在不知道燃烧室轴向尺寸和周向尺寸、燃烧室入口燃料/氧化剂流量配比、氧化剂总压和氧化剂总温5个输入参数与增压比1个输出参数之间具体数学关系的情况下,能够准确、有效的预测增压比变化规律,对连续旋转爆轰燃烧室性能预测、结构优化设计及其整机建模仿真具有一定的指导意义。
通过本发明的上述预测方法,在已知连续旋转爆轰燃烧室结构尺寸和入口边界条件的基础上,无需进行数值模拟和实验,便可以准确预测出燃烧室的增压比,大大降低了研究成本与时间。
此外,本发明的预测方法基于RBF神经网络实现,可以有效仿生自然神经元的自学习“记忆”能力,无需建立目标变量与影响因素之间过程参数的精确函数模型,而是通过有向图拓扑结构方式,以任意精度逼近解析非线性关系,具有较强的自组织与自适应能力。
通过以下结合附图对本发明的最佳实施例的详细说明,本发明的这些以及其他优点将更加明显。
附图说明
本发明可以通过参考下文中结合附图所给出的描述而得到更好的理解,其中在所有附图中使用了相同或相似的附图标记来表示相同或者相似的部件。所述附图连同下面的详细说明一起包含在本说明书中并且形成本说明书的一部分,而且用来进一步举例说明本发明的优选实施例和解释本发明的原理和优点。在附图中:
图1是本发明的基于RBF神经网络的连续旋转爆轰燃烧室增压比预测方法的一个示例性处理的流程图;
图2是基于RBF神经网络的连续旋转爆轰燃烧室增压比预测模型的示意图;
图3是基于RBF神经网络的连续旋转爆轰燃烧室增压比预测流程图;
图4是RBF神经网络的训练误差变化的示意图;
图5是RBF神经网络预测结果与实际数据的对比示意图。
本领域技术人员应当理解,附图中的元件仅仅是为了简单和清楚起见而示出的,而且不一定是按比例绘制的。例如,附图中某些元件的尺寸可能相对于其他元件放大了,以便有助于提高对本发明实施例的理解。
具体实施方式
在下文中将结合附图对本发明的示范性实施例进行描述。为了清楚和简明起见,在说明书中并未描述实际实施方式的所有特征。然而,应该了解,在开发任何这种实际实施例的过程中必须做出很多特定于实施方式的决定,以便实现开发人员的具体目标,例如,符合与系统及业务相关的那些限制条件,并且这些限制条件可能会随着实施方式的不同而有所改变。此外,还应该了解,虽然开发工作有可能是非常复杂和费时的,但对得益于本公开内容的本领域技术人员来说,这种开发工作仅仅是例行的任务。
在此,还需要说明的一点是,为了避免因不必要的细节而模糊了本发明,在附图中仅仅示出了与根据本发明的方案密切相关的装置结构和/或处理步骤,而省略了与本发明关系不大的其他细节。
本发明的实施例提供了一种基于RBF神经网络的连续旋转爆轰燃烧室增压比预测方法,连续旋转爆轰燃烧室增压比预测方法包括:获取多组训练数据,每组训练数据包括燃烧室的轴向尺寸、周向尺寸以及该燃烧室入口燃料与氧化剂的流量配比、氧化剂总压、氧化剂总温和燃烧室的增压比;利用多组训练数据训练RBF神经网络,其中,针对每组训练数据,将该组中的燃烧室的轴向尺寸、周向尺寸以及该燃烧室入口燃料与氧化剂的流量配比、氧化剂总压和氧化剂总温作为RBF神经网络的5种输入参数,而将该组中的该燃烧室的增压比作为RBF神经网络的输出参数;获得至少一组测试数据,每组测试数据中包括待预测燃烧室的轴向尺寸、周向尺寸以及待预测燃烧室入口燃料与氧化剂的流量配比、氧化剂总压和氧化剂总温;针对至少一组测试数据中的每一组,利用经过训练的RBF神经网络获得该组测试数据对应的待预测燃烧室的增压比的预测值。
图1给出了本发明的基于RBF神经网络的连续旋转爆轰燃烧室增压比预测方法的一个示例性处理的流程图。
如图1所示,该预测方法开始后,首先执行步骤S110。
在步骤S110中,获取多组训练数据,每组训练数据包括6个种类的数据,其中包括燃烧室的轴向尺寸(作为第一类数据)、燃烧室的周向尺寸(作为第二类数据)以及该燃烧室入口燃料与氧化剂的流量配比(作为第三类数据)、氧化剂总压(作为第四类数据)、氧化剂总温(作为第五类数据)和燃烧室的增压比(作为第六类数据)。然后,执行步骤S120。其中,多组训练数据例如可以通过数值模拟或实验测量得到。
根据一个实现方式,考虑不同参数之间量纲差异对RBF神经网络学习精度与效率的影响,还可以对步骤S110中获得的多组训练数据进行预处理,也即,分别对训练数据中的每一类数据进行归一化处理。例如,预处理可以通过如下过程实现:针对多组训练数据中的每一类数据,对该类数据进行如下预处理:根据x'=(x-xmin)/(xmax-xmin),对多组训练数据中的该类数据进行归一化处理,其中,x为该类数据的每个原始数据,x'为将x进行归一化处理之后的数据,xmax与xmin分别为该类数据的原始数据中的最大值与最小值。
以燃烧室的轴向尺寸(即第一类数据)为例,假设步骤S110中所获得的多组训练数据共有5组(实际可以是更多组),这5组中各自的燃烧室轴向尺寸分别是a1、a2、a3、a4和a5(作为训练数据的原始数据),并假设在a1~a5中,a1最小,a5最大。这样,对a1进行归一化后得到的值为a1'=(a1-a1)/(a5-a1)=0;对a2进行归一化后得到的值为a2'=(a2-a1)/(a5-a1);对a3进行归一化后得到的值为a3'=(a3-a1)/(a5-a1);对a4进行归一化后得到的值为a4'=(a4-a1)/(a5-a1);对a5进行归一化后得到的值为a5'=(a5-a1)/(a5-a1)=1。也就是说,归一化后,在这一类数据(或称这一类参数)中,最大值被归一化为1,最小值被归一化为0,其余的都介于0和1之间。
在步骤S120中,利用多组训练数据训练RBF神经网络,其中,针对每组训练数据,将该组中的燃烧室的轴向尺寸、周向尺寸以及该燃烧室入口燃料与氧化剂的流量配比、氧化剂总压和氧化剂总温作为RBF神经网络的5种输入参数,而将该组中的该燃烧室的增压比作为RBF神经网络的输出参数。然后,执行步骤S130。
换句话说,每组训练数据包含六种参数(或称六种数据/六类数据),将每一组训练数据作为一个训练样本,也就是说,每个训练样本例如可以表示为(A1,A2,A3,A4,A5,A6)的形式,A1~A5分别表示上述第一至第五类数据,而A6表示第六类数据。在训练RBF神经网络时,将A1~A5作为RBF神经网络的输入,而将A6作为其对应的输出来进行训练。
举例来说,假设燃烧室的轴向尺寸=400mm、燃烧室的周向尺寸=600mm、该燃烧室入口燃料与氧化剂的流量配比=1、氧化剂总压=0.6MPa、氧化剂总温=497K以及燃烧室的增压比=1.588,则该组训练数据(该训练样本)可以表示为(400,600,1,0.6,497,1.588)的形式。需要说明的是,燃烧室的周向尺寸是指其在垂直于轴向方向上的周长。此外,以上举例的数据是未经归一化处理的。
在每组训练数据中,第一类和第二类数据是燃烧室的结构尺寸,第三至五类数据是燃烧室入口燃料与氧化剂的状态参数,第六类数据是作为神经网络输出结果的增压比。
根据一个实现方式,RBF神经网络例如采用三层结构,如图2所示,该三层结构包括1个输入层、1个隐含层与1个输出层;其中,1个输入层的神经元数目为5个,1个输出层的神经元数目为1个,而1个隐含层的神经元数目在RBF神经网络训练过程中确定。
此外,根据一个实现方式,在RBF神经网络的训练过程中,首先,在对RBF神经网络基本参数进行设置时,例如可以选择隐含层神经网络的激励函数为高斯函数,确定收敛目标值为0.0001,其余参数选择RBF神经网络默认设置;其次,将归一化之后的训练数据中的5种输入参数(即第一至第五类数据)输入到RBF神经网络中,隐含层神经元数目从m=0开始对RBF神经网络进行训练,通过检查RBF神经网络训练误差与收敛目标值之间的差距来确定增加隐含层神经元数目,循环一直到训练误差达到收敛目标值为止,此时的隐含层神经元数目即可确定,并得到RBF神经网络输入层与隐含层、以及隐含层与输出层之间的权值与阈值。例如,在通过检查RBF神经网络训练误差与收敛目标值之间的差距来确定增加隐含层神经元数目的过程中,当该差距大于上述收敛目标值时使隐含层神经元数目自动增加1,然后继续下一次计算;若下一次计算对应的差距仍大于该收敛目标值,则使隐含层神经元数目自动增加1后再继续下次计算;依此类推,直到对应的差距小于或等于该收敛目标值,停止计算,将当前隐含层神经元数目确定为最终的隐含层神经元数目。
在步骤S130中,获得至少一组测试数据,每组测试数据中包括待预测燃烧室的轴向尺寸、周向尺寸以及待预测燃烧室入口燃料与氧化剂的流量配比、氧化剂总压和氧化剂总温。然后,执行步骤S140。
根据一个实现方式,在每组训练数据是经过预处理(如归一化)的情况下,还可以对步骤S130中获得的测试数据进行预处理。例如,可以对每组测试数据中的每个数据进行如下预处理:根据x测'=(x测-xmin)/(xmax-xmin)对该数据进行归一化处理,其中,x测为该数据在归一化处理前的值,而x测'为该数据在归一化处理后的值。xmax与xmin分别为该数据对应类别的训练数据的原始数据中的最大值与最小值(可与上文描述的x'=(x-xmin)/(xmax-xmin)中的定义相同)。
此外,根据一个实现方式,多组训练数据与至少一组测试数据可以来自同一批获得的数据,其中,该同一批获得的数据中作为训练数据与测试数据的比例例如为8:2(其中训练数据与测试数据可以是随机划分的)。
在步骤S140中,针对至少一组测试数据中的每一组,利用经过训练的RBF神经网络获得该组测试数据对应的待预测燃烧室的增压比的预测值。结束处理。
每组测试数据包含五种参数,这五种参数对应于训练数据中的第一至第五类数据,也就是说,测试数据中不包含第六类数据。将每组测试数据看成一个测试样本,则将该测试样本的五种参数作为输入参数输入到训练好的RBF神经网络中,得到的输出结果即为该测试样本对应的“增压比预测值”,也即,待预测燃烧室的增压比的预测值。
根据一个实现方式,在所有训练数据和所有测试数据都经过上文所述的归一化处理的情况下,还可对步骤S140中获得的每组测试数据对应的待预测燃烧室的增压比的预测值进行反归一化处理。例如,可以针对至少一组测试数据中的每一组,在获得该组测试数据对应的待预测燃烧室的增压比的预测值后,根据x”=xmin+x”'(xmax-xmin)对该预测值进行反归一化处理,其中,x”'为预测值,x”为对x”'进行反归一化后得到的反归一化数据
这样,通过步骤S140,将归一化之后测试数据中的5个输入参数输入到训练好的RBF神经网络中,即可获得输入参数条件下的连续旋转爆轰燃烧室增压比预测结果。
优选实施例
下面描述本发明的基于RBF神经网络的连续旋转爆轰燃烧室增压比预测方法的一个优选实施例,但是本发明的保护范围并不局限于此甲烷/空气混合物,同样适用于其它类型的燃料/氧化剂混合物。
选择甲烷/空气作为研究对象,在该优选实施例中,RBF神经网络的训练和测试过程在MATLAB环境下进行。如图3所示,本发明的基于RBF神经网络的连续旋转爆轰燃烧室增压比预测方法主要包括数据样本获取、数据归一化处理与划分、输入与输出参数选择、RBF神经网络结构确定、RBF神经网络训练和测试、数据反归一化处理七大步骤。
(1)数据样本获取:通过数值模拟方法得到反映甲烷/空气连续旋转爆轰燃烧室增压比性能的数据样本36组,其中影响增压比的因素有燃烧室的轴向尺寸、周向尺寸、甲烷/空气流量配比、空气总压和空气总温。
(2)数据归一化处理与划分:考虑不同参数之间量纲差异对RBF神经网络学习精度与效率的影响,在数据预处理过程中,对步骤(1)中所述燃烧室的轴向尺寸、周向尺寸、甲烷/空气流量配比、空气总压、空气总温和增压比进行归一化处理到[0,1]之间,具体公式为:x'=(x-xmin)/(xmax-xmin),其中,x为原始数据,x'为归一化之后的数据,xmax与xmin则分别为原始数据的最大值与最小值。在此基础,调用MATLAB神经网络工具箱中的Rand函数对数据进行随机划分,其中,训练数据与测试数据的比例为8:2。
(3)输入与输出参数选择:将燃烧室的轴向尺寸、周向尺寸、入口燃料/氧化剂流量配比、氧化剂总温和总压选择为RBF神经网络的输入参数,将燃烧室的增压比选择为RBF神经网络的输出参数。
(4)RBF神经网络结构确定:RBF神经网络采用典型的三层结构,即1个输入层、1个隐含层与1个输出层,其中,输入层神经元数目为5个,分别对应燃烧室的轴向尺寸、周向尺寸、入口燃料/氧化剂流量配比、氧化剂总温和总压,输出层神经元数目为1个,对应为燃烧室的增压比,隐含层神经元数目在RBF神经网络训练过程中确定。
(5)RBF神经网络训练:首先,对RBF神经网络基本参数进行设置,其中,选择隐含层神经网络的激励函数为高斯函数,确定收敛目标值为0.0001,其余参数选择RBF神经网络默认设置;其次,将步骤(2)中确定的训练数据作为输入/输出参数输入到RBF神经网络中,隐含层神经元数目从m=0开始对RBF神经网络进行训练,通过检查RBF神经网络训练误差与收敛目标值之间的差距来自动增加隐含层神经元数目,循环一直到训练误差达到收敛目标值为止,此时的隐含层神经元数目即可确定(如图4),并得到RBF神经网络输入层与隐含层、隐含层与输出层之间的权值与阈值,进而确定训练好的RBF神经网络。
(6)RBF神经网络测试:将步骤(2)中确定的测试数据的输入参数输入到训练好的RBF神经网络中,获得输入参数条件下的连续旋转爆轰燃烧室增压比预测结果。
(7)数据反归一化处理,将步骤(2)得到的RBF神经网络预测结果进行反归一化处理,其公式为:x”=xmin+x”'(xmax-xmin),其中,x”为反归一化数据,x”'为RBF神经网络预测数据,xmax与xmin则分别为步骤(2)中原始数据的最大值与最小值。将RBF神经网络预测结果归一化处理之后的数据与实际数据进行对比,如图5所示,所有数据点误差均在±5%以内,说明基于RBF神经网络能够有效实现连续旋转爆轰燃烧室增压比的精确预测。
以上结果表明,本发明所提出的基于RBF神经网络的连续旋转爆轰燃烧室增压比预测方法,能够在不知道连续旋转爆轰燃烧室轴向尺寸和周向尺寸、燃烧室入口燃料/氧化剂流量配比、氧化剂总压和氧化剂总温5个输入参数与增压比1个输出参数之间具体数学关系的情况下,就能够准确、有效的预测连续旋转爆轰燃烧室的增压比。
尽管根据有限数量的实施例描述了本发明,但是受益于上面的描述,本技术领域内的技术人员明白,在由此描述的本发明的范围内,可以设想其它实施例。此外,应当注意,本说明书中使用的语言主要是为了可读性和教导的目的而选择的,而不是为了解释或者限定本发明的主题而选择的。因此,在不偏离所附权利要求书的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围,对本发明所做的公开是说明性的,而非限制性的,本发明的范围由所附权利要求书限定。
Claims (7)
1.基于RBF神经网络的连续旋转爆轰燃烧室增压比预测方法,其特征在于,所述连续旋转爆轰燃烧室增压比预测方法包括:
获取多组训练数据,每组训练数据包括燃烧室的轴向尺寸、周向尺寸以及该燃烧室入口燃料与氧化剂的流量配比、氧化剂总压、氧化剂总温和燃烧室的增压比;
利用多组训练数据训练RBF神经网络,其中,针对每组训练数据,将该组中的燃烧室的轴向尺寸、周向尺寸以及该燃烧室入口燃料与氧化剂的流量配比、氧化剂总压和氧化剂总温作为RBF神经网络的5种输入参数,而将该组中的该燃烧室的增压比作为RBF神经网络的输出参数;
获得至少一组测试数据,每组测试数据中包括待预测燃烧室的轴向尺寸、周向尺寸以及所述待预测燃烧室入口燃料与氧化剂的流量配比、氧化剂总压和氧化剂总温;
针对所述至少一组测试数据中的每一组,利用经过训练的RBF神经网络获得该组测试数据对应的待预测燃烧室的增压比的预测值;
所述RBF神经网络采用三层结构,该三层结构包括1个输入层、1个隐含层与1个输出层;其中,所述1个输入层的神经元数目为5个,所述1个输出层的神经元数目为1个,而所述1个隐含层的神经元数目在RBF神经网络训练过程中确定。
2.根据权利要求1所述的基于RBF神经网络的连续旋转爆轰燃烧室增压比预测方法,其特征在于,所述多组训练数据由数值模拟或实验测量得到。
3.根据权利要求1所述的基于RBF神经网络的连续旋转爆轰燃烧室增压比预测方法,其特征在于,该方法还包括:
针对所述多组训练数据中的每一类数据,对该类数据进行如下预处理:
根据x'=(x-xmin)/(xmax-xmin),对所述多组训练数据中的该类数据进行归一化处理,其中,x为该类数据的每个原始数据,x'为将x进行归一化处理之后的数据,xmax与xmin分别为该类数据的原始数据中的最大值与最小值。
4.根据权利要求3所述的基于RBF神经网络的连续旋转爆轰燃烧室增压比预测方法,其特征在于,该方法还包括:
对每组测试数据中的每个数据进行如下预处理:
根据x测'=(x测-xmin)/(xmax-xmin)对该数据进行归一化处理,其中,x测为该数据在归一化处理前的值,而x测'为该数据在归一化处理后的值。
5.根据权利要求1-4中任一项所述的基于RBF神经网络的连续旋转爆轰燃烧室增压比预测方法,其特征在于,所述多组训练数据与所述至少一组测试数据来自同一批获得的数据,其中,该同一批获得的数据中作为训练数据与测试数据的比例为8:2。
6.根据权利要求1-4中任一项所述的基于RBF神经网络的连续旋转爆轰燃烧室增压比预测方法,其特征在于,在RBF神经网络的训练过程中:
对RBF神经网络基本参数进行设置时,选择隐含层神经网络的激励函数为高斯函数,确定收敛目标值为0.0001;
将归一化之后的训练数据中的5种输入参数输入到RBF神经网络中,隐含层神经元数目从m=0开始对RBF神经网络进行训练,通过检查RBF神经网络训练误差与收敛目标值之间的差距来确定增加隐含层神经元数目,循环一直到训练误差达到收敛目标值为止,此时的隐含层神经元数目即可确定,并得到RBF神经网络输入层与隐含层、以及隐含层与输出层之间的权值与阈值。
7.根据权利要求4所述的基于RBF神经网络的连续旋转爆轰燃烧室增压比预测方法,其特征在于,该方法还包括:
针对所述至少一组测试数据中的每一组,在获得该组测试数据对应的待预测燃烧室的增压比的预测值后,根据x”=xmin+x”'(xmax-xmin)对该预测值进行反归一化处理,其中,x”'为所述预测值,x”为对x”'进行反归一化后得到的反归一化数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710499787.4A CN107145694B (zh) | 2017-06-27 | 2017-06-27 | 基于rbf神经网络的连续旋转爆轰燃烧室增压比预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710499787.4A CN107145694B (zh) | 2017-06-27 | 2017-06-27 | 基于rbf神经网络的连续旋转爆轰燃烧室增压比预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107145694A CN107145694A (zh) | 2017-09-08 |
CN107145694B true CN107145694B (zh) | 2021-01-01 |
Family
ID=59784349
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710499787.4A Active CN107145694B (zh) | 2017-06-27 | 2017-06-27 | 基于rbf神经网络的连续旋转爆轰燃烧室增压比预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107145694B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111695299B (zh) * | 2020-06-04 | 2022-12-13 | 哈尔滨工程大学 | 一种中尺度涡轨迹预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102419827A (zh) * | 2011-11-02 | 2012-04-18 | 昆明理工大学 | 基于rbf神经网络的沸腾换热预测方法 |
CN104154567A (zh) * | 2014-08-06 | 2014-11-19 | 西安热工研究院有限公司 | 一种旋转爆震燃烧室 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104392039A (zh) * | 2014-11-19 | 2015-03-04 | 中国航空工业集团公司沈阳飞机设计研究所 | 一种过渡态发动机仿真建模方法 |
US20170146244A1 (en) * | 2015-11-20 | 2017-05-25 | University Of Washington | Continuous rotating detonation engines and associated systems and methods |
CN106649945B (zh) * | 2016-09-30 | 2021-03-02 | 赵志渊 | 一种确定单轴燃气轮机发电功率及排烟参数的计算方法 |
-
2017
- 2017-06-27 CN CN201710499787.4A patent/CN107145694B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102419827A (zh) * | 2011-11-02 | 2012-04-18 | 昆明理工大学 | 基于rbf神经网络的沸腾换热预测方法 |
CN104154567A (zh) * | 2014-08-06 | 2014-11-19 | 西安热工研究院有限公司 | 一种旋转爆震燃烧室 |
Non-Patent Citations (2)
Title |
---|
连续旋转爆轰燃烧室增压特性的数值研究;刘倩 等;《推进技术》;20141024;第35卷(第11期);1577-1584 * |
连续旋转爆轰燃烧室的性能;刘倩 等;《航空动力学报》;20150617;第30卷(第6期);1328-1336 * |
Also Published As
Publication number | Publication date |
---|---|
CN107145694A (zh) | 2017-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107784325B (zh) | 基于数据驱动增量融合的螺旋式故障诊断方法 | |
CN110849626B (zh) | 一种自适应稀疏压缩自编码的滚动轴承故障诊断系统 | |
CN110441065B (zh) | 基于lstm的燃气轮机在线检测方法与装置 | |
CN109141881B (zh) | 一种深度自编码网络的旋转机械健康评估方法 | |
CN110070060B (zh) | 一种轴承设备的故障诊断方法 | |
CN111859730B (zh) | 一种燃料电池离心压缩机转子构形优化设计方法 | |
CN111797567A (zh) | 一种基于深度学习网络的轴承故障分类方法及系统 | |
CN114969995B (zh) | 一种基于改进麻雀搜索与声发射的滚动轴承早期故障智能诊断方法 | |
CN109740859A (zh) | 基于主成分分析法和支持向量机的变压器状态评估方法及系统 | |
CN112132102B (zh) | 一种深度神经网络结合人工蜂群优化的智能故障诊断方法 | |
CN112633098B (zh) | 一种旋转机械故障诊断方法、系统及存储介质 | |
CN111898686A (zh) | 基于门控循环单元网络的轴承故障识别方法 | |
CN111190349A (zh) | 船舶机舱设备状态监测及故障诊断方法、系统及介质 | |
CN114036610A (zh) | 一种基于数据增强的侵彻深度预测方法 | |
CN113836817B (zh) | 一种基于堆叠长短期记忆网络的轴流压气机旋转失速预测方法 | |
CN110849625A (zh) | 基于混合熵与联合分布适配的变工况下轴承故障诊断方法 | |
CN107145694B (zh) | 基于rbf神经网络的连续旋转爆轰燃烧室增压比预测方法 | |
CN115163424A (zh) | 基于神经网络的风电机组齿轮箱油温故障检测方法和系统 | |
CN109921462B (zh) | 一种基于lstm的新能源消纳能力评估方法及系统 | |
CN117421633A (zh) | 一种智能可信的旋转机械层级架构故障诊断方法 | |
CN116485049B (zh) | 一种基于人工智能的电能计量误差预测与优化系统 | |
Jiang et al. | Multi-objective optimal placement of sensors based on quantitative evaluation of fault diagnosability | |
Du et al. | Misfire fault diagnosis of automobile engine based on time domain vibration signal and probabilistic neural network | |
CN102788955A (zh) | 基于Kalman滤波的ESN的涡轮发电机的分类子模型的剩余寿命预测方法 | |
CN114934848A (zh) | 一种面向柴油机燃烧性能优化控制的模糊神经网络建模方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |